将NVIDIA Riva模型部署到生产中-电子发烧友网

NVIDIA Riva 是一款 AI 语音 SDK ，用于开发实时应用程序，如转录、虚拟助理和聊天机器人。它包括 NGC 中经过预训练的最先进模型、用于在您的领域中微调模型的 TAO 工具包以及用于高性能推理的优化技能。 Riva 使使用 NGC 中的 Riva 容器或使用 Helm chart 在 Kubernetes 上部署模型变得更简单。 Riva 技能由 NVIDIA TensorRT 提供支持，并通过 NVIDIA Triton 提供服务推理服务器。

配置 Riva

在设置 NVIDIA Riva 之前，请确保您的系统上已安装以下设备：

Python ［3 。 6 。 9］

docker ce 》 19 。 03 。 5

nvidia-DOCKR2 3 。 4 。 0-1 ：Installation Guide

如果您按照第 2 部分中的说明进行操作，那么您应该已经安装了所有的先决条件。

设置 Riva 的第一步是到 install the NGC Command Line Interface Tool。

图 1 。安装 NGC CLI

要登录到注册表，您必须 get access to the NGC API Key。

图 2 。获取 NGCAPI 密钥

设置好工具后，您现在可以从 NGC 上的Riva Skills Quick Start资源下载 Riva 。要下载该软件包，可以使用以下命令（最新版本的命令可在前面提到的 Riva 技能快速入门资源中找到）：

下载的软件包具有以下资产，可帮助您入门：

asr _ lm _工具：这些工具可用于微调语言模型。

nb _ demo _ speech _ api 。 ipynb ：Riva 的入门笔记本。

Riva _ api-1 。 6 。 0b0-py3-none-any 。 whl和NeMo 2 Riva -1 。 6 。 0b0-py3-none-any 。 whl ：安装 Riva 的滚轮文件和将 NeMo 模型转换为 Riva 模型的工具。有关更多信息，请参阅本文后面的Inferencing with your model部分。

快速启动脚本（ Riva .*. sh ， config 。 sh ）：初始化并运行 Triton 推理服务器以提供 Riva AI 服务的脚本。有关更多信息，请参阅配置 Riva 和部署您的模型。

示例：基于 gRPC 的客户机代码示例。

配置 Riva 并部署您的模型

你可能想知道从哪里开始。为了简化体验， NVIDIA 通过提供一个配置文件，使用 Riva AI 服务调整您可能需要调整的所有内容，从而帮助您使用 Riva 定制部署。对于本演练，您依赖于特定于任务的 Riva ASR AI 服务。

对于本演练，我们只讨论一些调整。因为您只使用 ASR ，所以可以安全地禁用 NLP 和 TTS 。

如果您遵循第 2 部分的内容，可以将 use _ existing _ rmirs 参数设置为 true 。我们将在后面的文章中对此进行详细讨论。

您可以选择从模型存储库下载的预训练模型，以便在不进行自定义的情况下运行。

如果您在阅读本系列第 2 部分时有 Riva 模型，请首先将其构建为称为 Riva 模型中间表示（ RMIR ）格式的中间格式。您可以使用 Riva Service Maker 来完成此操作。 ServiceMaker 是一组工具，用于聚合 Riva 部署到目标环境所需的所有工件（模型、文件、配置和用户设置）。

使用riva-build和riva-deploy命令执行此操作。有关更多信息，请参阅Deploying Your Custom Model into Riva。

现在已经设置了模型存储库，下一步是部署模型。虽然您可以这样做manually，但我们建议您在第一次体验时使用预打包的脚本。快速启动脚本riva_init.sh和riva_start.sh是可用于使用config.sh中的精确配置部署模型的两个脚本。

运行riva_init.sh时：

您在config.sh中选择的模型的 RMIR 文件从指定目录下的 NGC 下载。

对于每个 RMIR 模型文件，将生成相应的 Triton 推理服务器模型存储库。此过程可能需要一些时间，具体取决于所选服务的数量和型号。

要使用自定义模型，请将 RMIR 文件复制到config.sh（用于$riva_model_loc）中指定的目录。要部署模型，请运行riva_start.sh。riva-speech容器将与从所选存储库加载到容器的模型一起旋转。现在，您可以开始发送推断请求了。

使用您的模型进行推断

为了充分利用 NVIDIA GPU s ， Riva 利用了 NVIDIA Triton 推理服务器和 NVIDIA TensorRT 。在会话设置中，应用程序会优化尽可能低的延迟，但为了使用更多的计算资源，必须增加批大小，即同步处理的请求数，这自然会增加延迟。 NVIDIA Triton 可用于在多个 GPU 上的多个模型上运行多个推理请求，从而缓解此问题。

您可以使用 GRPCAPI 在三个主要步骤中查询这些模型：导入 LIB 、设置 gRPC 通道和获取响应。

首先，导入所有依赖项并加载音频。在这种情况下，您正在从文件中读取音频。我们在 examples 文件夹中还有一个流媒体示例。